Сучасная генетыка распрацавала магутны метад пад назвай геномны адбор, які выкарыстоўвае дадзеныя, якія змяшчаюцца ў геномах раслін і жывёл, для паляпшэння селекцыі.
Геномная селекцыя дазваляе прагназаваць генетычны патэнцыял індывіда ў дачыненні да жаданых якасцей, такіх як устойлівасць да хвароб, ураджайнасць або якасць, шляхам вывучэння адрозненняў у паслядоўнасці ДНК паміж асобінамі.
Гэтыя генетычныя дадзеныя дапамагаюць прымаць больш абгрунтаваныя рашэнні, паскорыць працэс адбору і стварыць больш эфектыўныя і плённыя праграмы развядзення.
У гэтай цікавай вобласці генетыкі, навучанне з дапамогай машыны стварае цуды і пашырае поле. Давайце паглыбімся ў машыннае навучанне ў геномным адборы і даведаемся пра яго.
Што такое геномны адбор?
Геномная селекцыя - гэта метад, які выкарыстоўваецца ў селекцыі жывёл і раслін для прагназавання прадукцыйнасці асобіны на падставе іх генетычнага складу.
Гэта ўключае ў сябе прагляд ДНК людзей, каб знайсці пэўныя маркеры, звязаныя з пажаданымі характарыстыкамі.
Даследчыкі могуць вызначыць генетычны патэнцыял чалавека па такіх характарыстыках, як устойлівасць да хвароб, ураджайнасць або якасць, аналізуючы гэтыя маркеры ва ўсім геноме.
Селекцыянеры могуць прагназаваць прадукцыйнасць нашчадкаў больш дакладна дзякуючы геномнай селекцыі без патрэбы ў працаёмкіх і дарагіх фенатыпічных ацэнках.
Дазваляючы селекцыянерам выбіраць асобін з найлепшым генетычным патэнцыялам для праграм развядзення, гэты метад дапамагае паскорыць працэс развядзення, забяспечваючы больш эфектыўнае і мэтанакіраванае паляпшэнне жаданых прыкмет у папуляцыях раслін і жывёл.
Селекцыя раслін метадам геномнай селекцыі
Селекцыя раслін перажыла рэвалюцыю дзякуючы геномнай селекцыі, якая дазволіла паскорыць працэс і павялічыць ураджайнасць.
Але для вырашэння надыходзячых праблем, выкліканых змяненнем клімату, неабходна далейшае развіццё.
Каб вырашыць гэтую праблему, даследчыкі выкарыстоўваюць пангеномы і перадавыя падыходы машыннага навучання ў геномнай селекцыі.
Увесь геномны матэрыял віду, таксама вядомы як пангеном, дазваляе дасканала зразумець генетычныя варыяцыі.
Мы можам адкрыць шлях для паляпшэння ўраджаю і змякчэння шкоднага ўздзеяння змены клімату на сельскую гаспадарку, разглядаючы прыклады селекцыі сельскагаспадарчых культур, разумеючы абмежаванні машыннага навучання і падкрэсліваючы перспектыўнасць гэтых метадаў.
Пангеномы раслін: выяўленне геномнай разнастайнасці
Традыцыйна ў цэнтры ўвагі геномнай селекцыі былі геномныя зборкі з адной спасылкай, але зараз пангеномы становяцца ўсё больш распаўсюджанымі. Пангеномы раслін, а не асобныя зборкі геному, адлюстроўваюць генетычны матэрыял віду або сямейства.
Імі выяўляюцца значныя варыянты генаў, у тым ліку не ўключаныя ў эталонную зборку. Для некалькіх культур былі створаны пангеномы, якія асвятляюць гісторыю прыручэння і селекцыі раслін.
Іх спалучэнне з генетычным адборам пакуль толькі часткова эфектыўна.
Селекцыянеры могуць выкарыстоўваць больш шырокі спектр генетычных маркераў, паляпшаючы дакладнасць прагназавання і фіксуючы ўсе патэнцыйныя сувязі, аб'ядноўваючы пангеномы ў геномную селекцыю.
Геномны выбар на аснове машыннага навучання
Традыцыйныя падыходы геномнай селекцыі маюць цяжкасці ў вырашэнні такіх неадытыўных эфектаў, як насавое крывацёк, геномны імпрынтынг і ўзаемадзеянне генатыпаў. Мадэлюючы гэтыя ўздзеянні, падыходы машыннага навучання даюць жыццяздольныя адказы.
Нядаўнія даследаванні выкарыстоўвалі метады машыннага навучання ў геномнай селекцыі, вынікі вар'іраваліся паміж наборамі даных і культурамі.
Алгарытмы машыннага навучання здольныя апрацоўваць складаныя прадстаўленні дадзеных, такія як змешаныя фенатыпы і ўзаемадзеянне паміж фенатыпамі або генатыпамі.
Напрыклад, алгарытмы машыннага навучання выкарыстоўваліся для прагназавання вытворчасці і якасці пладоў у паліплоідных культурах, такіх як клубніцы і чарніцы.
Нягледзячы на тое, што гэтыя сістэмы маюць вялікі патэнцыял, разуменне іх магчымасці інтэрпрэтацыі і карэкціроўка гіперпараметраў вельмі важныя для эфектыўнага прымянення.
Розныя метады машыннага навучання
У даследаваннях геномнага прагназавання расце выкарыстанне метадаў машыннага навучання. Гэтыя метады можна падзяліць на спосабы навучання пад наглядам і без нагляду.
Метады навучання пад кантролем асабліва карысныя, бо яны могуць выявіць заканамернасці ў пазначаныя дадзеныя і прадбачыць вынікі.
У той час як розныя даследаванні вывучалі эфектыўнасць прагназавання канкрэтных падыходаў машыннага навучання, даследаванняў, якія параўноўваюць розныя наборы метадаў, не хапае.
Вельмі важна зразумець, якія групы метадаў працуюць лепш, і ўзважыць іх перавагі і недахопы ў параўнанні са звычайнымі спосабамі.
Перспектыўныя геномныя метады прагназавання
Лінейныя змешаныя мадэлі
У геномным прагназаванні звычайныя лінейныя змешаныя мадэлі апынуліся надзейнымі і карыснымі. Для ўліку генетычных варыяцый у папуляцыі гэтыя мадэлі аб'ядноўваюць як фіксаваныя, так і выпадковыя эфекты.
Гэтыя алгарытмы могуць дакладна прагназаваць значэнні геномнай селекцыі, улічваючы індывідуальнае сваяцтва.
Лінейныя змешаныя мадэлі шырока выкарыстоўваюцца ў селекцыі раслін і жывёл з-за іх канкурэнтнай прагназавання, эфектыўнасці вылічэнняў і прастаты. Яны патрабуюць менш параметраў налады, чым іншыя падыходы, што робіць іх прыдатнымі для геномнай селекцыі.
Рэгулярная рэгрэсія
Для прагназавання геному эфектыўнымі інструментамі з'яўляюцца метады рэгулярнай рэгрэсіі, такія як LASSO (аператар найменшага абсалютнага ўсаджвання і адбору) і рыдж-рэгрэсія.
Гэтыя метады дазваляюць адбіраць зменныя і рэгулярызаваць, дадаючы штрафны тэрмін да звычайнай мадэлі рэгрэсіі.
Гэтыя метады эфектыўна апрацоўваюць шматмерныя даныя і павышаюць дакладнасць прагназавання за кошт зніжэння менш значных маркераў да нуля.
Метады рэгулярнай рэгрэсіі з'яўляюцца прывабным выбарам для геномнай селекцыі ў селекцыйных даследаваннях як раслін, так і жывёл, таму што яны знаходзяць кампраміс паміж прастатой і эфектыўнасцю.
Выпадковыя лясы
Тэхніка ансамблевага навучання, званая выпадковымі лясамі, робіць прагнозы з дапамогай дрэў рашэнняў. Выпадковыя лясы могуць быць выкарыстаны для ацэнкі геномных дадзеных высокай памернасці ў кантэксце геномнага прагназавання.
З дапамогай гэтага метаду будуецца вялікая колькасць дрэў рашэнняў, кожнае з якіх навучаецца на выпадковай падмностве маркераў, і іх прагнозы аб'ядноўваюцца для атрымання адзінага прагнозу.
Выпадковыя лясы з'яўляюцца карысным інструментам для геномнай селекцыі, таму што яны могуць ідэнтыфікаваць складаныя ўзаемадзеяння і нелінейныя карэляцыі паміж характарыстыкамі і маркерамі.
Выпадковыя лясы таксама ўстойлівыя да выкідаў і могуць змясціць адсутныя даныя, што павялічвае іх каштоўнасць для геномнага прагназавання.
ШНН (штучныя нейронавыя сеткі)
Штучны нейронавыя сеткі, якія часам называюць ANN або нейронавымі сеткамі, - гэта вылічальныя мадэлі, якія чэрпаюць натхненне з нейронавай архітэктуры чалавечага мозгу.
Дзякуючы сваёй здольнасці распазнаваць складаныя заканамернасці і ўзаемасувязі ў дадзеных, ШНМ становяцца ўсё больш распаўсюджанымі ў генетычным прагназаванні.
ШМН могуць запісваць нелінейныя ўзаемадзеянні паміж маркерамі і атрыбутамі з-за сваёй шматслаёвай архітэктуры і ўзаемазвязаных вузлоў (нейронаў). Гэтыя сеткі патрабуюць дбайнага навучання з выкарыстаннем шырокіх набораў даных і строгай карэкціроўкі гіперпараметраў.
Выяўляючы складаныя генетычныя сувязі і выяўляючы схаваныя заканамернасці ў геномных дадзеных, ШНМ могуць павысіць дакладнасць геномнага прагназавання.
Мэтавыя рысы і важнасць дадзеных
Даследаванні паказваюць, што канкрэтныя даныя і мэтавыя атрыбуты, якія ацэньваюцца, уплываюць на прадукцыйнасць прагназавання і вылічальныя выдаткі падыходаў машыннага навучання.
Як можна заўважыць, ускладненне традыцыйных рэгулярных падыходаў можа прывесці да вялікіх вылічальных выдаткаў без абавязковага павышэння дакладнасці прагназавання.
Інвестыцыі ў вылічальную эфектыўнасць
Улічваючы залежнасць ад мэтавых набораў даных і атрыбутаў для прагназавання прадукцыйнасці і вылічальнай нагрузкі, вельмі важна інвеставаць у павышэнне вылічальнай эфектыўнасці алгарытмаў машыннага навучання і вылічальных рэсурсаў.
Гэта дапаможа павысіць дакладнасць і эфектыўнасць геномнай селекцыі.
Выснова - што чакае будучыня?
Здаецца, машыннае навучанне геномнай селекцыі мае светлую будучыню. Метады машыннага навучання могуць цалкам змяніць генетычнае прадказанне па меры развіцця тэхналогій і больш шырокай даступнасці камп'ютэрных рэсурсаў.
Гэтыя метады дазваляюць апрацоўваць шматмерныя геномныя дадзеныя, выяўляць складаныя заканамернасці і павялічваць дакладнасць прагназавання.
Спалучэнне алгарытмаў машыннага навучання з геномным адборам дае магчымасць палепшыць праграмы развядзення, спрыяючы больш хуткаму і дакладнаму адбору асобін з патрэбнымі характарыстыкамі.
Каб удасканаліць гэтыя метады, вырашыць вылічальныя праблемы і даследаваць іх прымяненне да розных відаў раслін і жывёл, патрабуецца дадатковае даследаванне.
Мы чакаем, што машыннае навучанне будзе станавіцца ўсё больш важным у геномнай селекцыі па меры развіцця тэхналогій, паскараючы тэмпы генетычнага прагрэсу і дапамагаючы сельскагаспадарчаму сектару.
Пакінуць каментар